医学 AI

AA-ViT: Anatomically Aware Vision Transformer with Structural and Frequency Guidance for Contrast Enhanced Brain MRI Synthesis

AA-ViT：用于对比增强脑MRI合成的具有结构和频率引导的解剖学感知视觉变换器

Talha Meraj, Tom Flannery, Charlie Cummins, Matt Townend, Thomas C Booth, Peter Crossley, Michael McCann, Ian Overton, Saritha Unnikrishnan

机构 * Atlantic Technological University（大西洋理工大学） ； Belfast Health and Social Care Trust（贝尔法斯特健康和社会关怀信托基金） ； King’s College Hospital NHS Foundation Trust（国王学院医院国民保健服务信托基金） ； King’s College London（伦敦国王学院） ； Queen’s University Belfast（贝尔法斯特女王大学） 纠错

专题命中 医学影像 ：MRI(title,title_cn)；diagnosis(abstract)；分类 cs.CV

AI总结 研究旨在开发准确无创的CEMRI合成方法，提出解剖学感知的频率和结构引导视觉变换器（AA-ViT），利用对比前MRI模态合成CEMRI。实验表明该方法能保留边界，临床评估获高分，可降低成本等，为CEMRI合成提供新途径。

Comments Accepted for Publication in MIUA 2026 proceedings

Towards Accurate and Fast Clinical Body Composition: A Resource-Efficient Hierarchical Segmentation Framework for Multi-Source CT

迈向准确快速的临床身体成分分析：一种用于多源CT的资源高效分层分割框架

Xiaodi Shen, Qingzhu Zheng, Yaoyang Qiu, Cien Fan, Ruonan Zhang, Yangdi Wang, Luyao Wu, Weikai Zheng, Longfei Zhao, Bing Li, Rulin Xu, Qiqi Xu, Ren Mao, Shiting Feng, Xuehua Li

机构 * Department of Radiology, The First Affiliated Hospital, Sun Yat-sen University（放射科，中山大学第一附属医院） ； Research & Development Center, Canon Medical Systems (China) Co. Ltd.（研发中心，佳能医疗系统（中国）有限公司） 纠错

专题命中 医学影像 ：CT(title,title_cn)；分类 cs.CV、eess.IV；radiology(comments)

AI总结 针对CT多源数据异质性及高内存需求问题，提出从粗到细分层框架，用动态间距等优化效率，在多数据集训练评估，Dice系数良好，能在标准CPU工作站平衡准确与效率，实现大规模身体成分分析。

Comments Affiliations: (1) Department of Radiology, The First Affiliated Hospital, Sun Yat-sen University, Guangzhou 510080, China. (2) Research & Development Center, Canon Medical Systems (China) Co. Ltd. Beijing 100015, China

Heterogeneity-Adaptive Diffusion Schrodinger Bridge for PET-Guided Whole-Body MRI Translation

用于PET引导的全身MRI转换的异质性自适应扩散薛定谔桥

Chengbo Wang, Jiacheng Yu, Linjie Bian, Ming Qi, Xiaosheng Liu, Tongtong Che, Jichang Zhang, Shuyu Li, Shaoli Song, Xiuying Wang

机构 * The University of Sydney（悉尼大学） ； Fudan University Shanghai Cancer Center（复旦大学附属上海肿瘤医院） ； Beijing Normal University（北京师范大学） 纠错

专题命中 医学影像 ：MRI(title,title_cn)；分类 cs.CV、cs.LG

AI总结 针对PET-MR扫描时间长的问题，提出异质性自适应扩散薛定谔桥（HA-DSB）框架，通过整合视觉语言模型嵌入及PET先验，利用双阶段引导机制，实现全身MRI转换，提升不同区域尤其是病变区域的转换质量。

Comments Accepted at MICCAI 2026

Visualising Parker Weighting in Short-Scan Cone-Beam Micro-CT: A Practical Reference

可视化Parker加权在短扫描锥束微CT中的应用：一个实用参考

Falk L Wiegmann, Nancy L Ford

专题命中 医学影像 ：CT(title,title_cn)

AI总结 本文通过可视化和定量分析，展示Parker加权在eXplore CT 120扫描仪中的应用，揭示其在减少方向性伪影和提高图像质量中的作用。

Vision Foundation Models in Radiology: A Scoping Review of Data, Methodology, Evaluation and Clinical Translation

放射学中的视觉基础模型：数据、方法、评估和临床转化的范围综述

Alejandro Vergara-Richart, Xavier Rafael-Palou, Almudena Fuster-Matanzo, Ignacio Iborra Roncales, Ángel Alberich-Bayarri, Ana Jiménez-Pastor

机构 * Universitat Politècnica de València（瓦伦西亚理工大学） 纠错

专题命中 医学影像 ：radiology(title,abstract)；MRI(abstract,abstract_cn)；CT(abstract,abstract_cn)；分类 cs.CV、cs.LG

AI总结 对2017年1月至2026年3月关于放射成像数据训练基础模型的研究综述，涵盖数据、架构、评估等方面。Transformer架构和自监督预训练为主，评估集中在分割和分类。虽有可迁移性，但临床转化因多种问题受限。

Comments 33 pages, 8 tables, 2 figures

Trexplorer Super: Topologically Correct Centerline Tree Tracking of Tubular Objects in CT Volumes

Trexplorer Super：CT 体积中管状物体的拓扑正确中心线树跟踪

Roman Naeem, David Hagerman, Jennifer Alvén, Lennart Svensson, Fredrik Kahl

机构 * Chalmers University of Technology（查尔姆斯理工大学） 纠错

专题命中 医学影像 ：CT(title,title_cn)；medical image(abstract)；分类 cs.CV

AI总结 研究旨在改进 CT 体积中管状物体中心线跟踪。针对 Trexplorer 问题提出 Trexplorer Super，通过开发三个难度递增的中心线数据集，对现有 SOTA 模型全面评估，结果显示 Trexplorer Super 性能更优，且合成数据与真实数据表现有差异。

Comments Submitted Version. Accepted at MICCAI 2025

CRIS: Cross-Plane Self-Supervised Isotropic Restoration for Anisotropic Volumetric Imaging Across Modalities

CRIS：跨模态各向异性体积成像的跨平面自监督各向同性恢复

Adi Ahituv, Anat Ilivitzki, Moti Freiman

机构 * Faculty of Data and Decision Sciences, Technion -- Israel Institute of Technology（数据与决策科学学院，技术离子技术学院） ； Faculty of Biomedical Engineering, Technion -- Israel Institute of Technology（生物医学工程学院，技术离子技术学院） ； The May-Blum-Dahl MRI Research Center, Technion -- Israel Institute of Technology（梅-布卢姆-达尔MRI研究中心，技术离子技术学院） 纠错

专题命中 医学影像 ：MRI(summary_cn,abstract)；分类 cs.CV

AI总结 提出CRIS，一种无需配对各向同性真值的跨平面自监督框架，通过正交重切2D条带补全实现3D各向同性恢复，在MRI和体积电镜上优于插值和多种方法。

Comments 24 pages, 8 figures, supplementary material included

CEVAR: Centerline Embedding Extraction for Endovascular Aneurysm Repair

CEVAR：用于血管内动脉瘤修复的中心线嵌入提取

Roman Naeem, Timo Niiniskorpi, Charlotte Sandström, Naman Desai, Anders Jeppsson, Ida Häggström, Fredrik Kahl, Håkan Roos, Jennifer Alvén

机构 * Chalmers University of Technology（查尔姆斯理工大学） ； The University of Gothenburg（哥德堡大学） ； Sahlgrenska University Hospital（萨尔拉格斯卡大学医院） 纠错

专题命中 医学影像 ：CT(summary_cn,abstract)；分类 cs.CV

AI总结 针对EVAR术后密封区失效导致的破裂问题，提出一种结合3D中心线追踪与嵌入几何预测的Transformer框架，实现自动密封区评估，在常规及无对比剂CT上均优于半自动方法。

VCDP: Variation-Conditioned Distributional Proxy Learning for Semi-Supervised Medical Image Segmentation

VCDP：用于半监督医学图像分割的变异条件分布代理学习

Zimu Zhang, Yiheng Zhong, Zhuoru Zhang, Yingzhen Hu, Yanan He, Fanliang Meng, Xiaofeng Liu

机构 * Yale University（耶鲁大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） 纠错

专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV

AI总结 研究半监督3D医学图像分割问题，提出VCDP方法，通过可学习高斯分布和变异原型表示类语义及模式，用统一分数融合相似性与聚合，改进了多器官分割基线，尤其对复杂器官分割效果好。

SHTA: Semantic Hard Token Correction and Center Alignment for Semi-Supervised Medical Image Segmentation

SHTA：用于半监督医学图像分割的语义硬令牌校正和中心对齐

Zhuoru Zhang, Yiheng Zhong, Zimu Zhang, Xiaofeng Liu

机构 * Yale University（耶鲁大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） 纠错

专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV

AI总结 针对半监督医学图像分割中硬区域语义一致性不足问题，提出SHTA方法，通过语义分配等技术细化语义表示，集成到多个框架并在相关数据集评估，能提升分割精度等性能，且仅增加训练开销。

Comments 9 pages, 7 figures, 4 tables

HPR-SAM: Hierarchical Probabilistic Representation Learning for Prompt-free SAM-based Medical Image Segmentation

HPR-SAM：基于无提示SAM的医学图像分割的分层概率表示学习

Yingzhen Hu, Yiheng Zhong, Keying Zhu, Zimu Zhang, Zihan Ye, Sifan Song, Jionglong Su, Xiaofeng Liu

机构 * Yale University（耶鲁大学） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） 纠错

专题命中 医学影像 ：medical image(title,abstract)；分类 cs.CV

AI总结 研究针对无提示SAM医学图像分割中现有方法局限，提出HPR框架，通过DAR、MAR、LRR学习互补解剖学表示，经HPF整合预测并兼容原始SAM解码器，实验验证该框架在多数据集上有效，达最优性能。

Comments 9 pages, 4 figures

COVID-Net USPro: An Open-Source Explainable Few-Shot Deep Prototypical Network to Monitor and Detect COVID-19 Infection from Point-of-Care Ultrasound Images

COVID-Net USPro：一种开源的可解释少样本深度原型网络，用于从点即服务超声图像中监测和检测新冠病毒感染

Jessy Song, Ashkan Ebadi, Adrian Florea, Pengcheng Xi, Stéphane Tremblay, Alexander Wong

专题命中 医学影像 ：medical image(abstract)；diagnosis(abstract)；分类 cs.CV、cs.LG、eess.IV

AI总结 COVID-Net USPro 是一种基于深度学习的可解释少样本原型网络，用于从点即服务超声图像中高精度检测 COVID-19 阳性病例。

Comments 12 pages, 5 figures

Journal ref Sensors 23, no. 5 (2023): 2621

From Data Completeness to Data Sufficiency: A Task-Driven Imaging Framework for Intraoperative CBCT under Quality-Time-Dose Trade-offs

从数据完备性到数据充分性：质量-时间-剂量权衡下的术中CBCT任务驱动成像框架

Yi Jia, Rongjun Ge, Yang Chen, Yan Xi, Wenjun Xia

机构 * School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院） ； School of Instrument Science and Engineering, Southeast University（东南大学仪器科学与工程学院） ； Shanghai First-Imaging Information Technology Co., LTD.（上海第一影像信息技术有限公司） 纠错

专题命中 医学影像 ：CT(abstract,abstract_cn)；分类 cs.CV、eess.IV

AI总结 该研究针对术中CBCT，指出追求数据完备性不合理，提出围绕数据充分性评估，强调临床决策所需最小图像质量阈值，综合多场景证据表明可接受近似误差以实现质量、时间、剂量平衡。

A Tutorial on Explainable Image Classification for Dementia Stages Using Convolutional Neural Network and Gradient-weighted Class Activation Mapping

使用卷积神经网络和梯度加权类激活映射的痴呆阶段可解释图像分类教程

Kevin Kam Fung Yuen

专题命中 医学影像 ：MRI(abstract)；分类 cs.CV、eess.IV

AI总结 本文通过CNN和Grad-CAM对痴呆阶段进行可解释图像分类，展示高准确率的同时探讨可视化解释对医学应用的意义。

Comments 15 pages, 11 figures, 3 tables

Journal ref Handbook on Smart Health, Vol: 330, pp.443-458 (2025)

Automatic Echocardiography Segmentation via Transition Probability Correlation for Stable Semantic Extraction

基于过渡概率相关性的自动超声心动图分割用于稳定语义提取

Xinran Chen, Xiyuan Wang, Guangquan Zhou, Chuan Chen

机构 * School of Biological Science and Medical Engineering, Southeast University（东南大学生物科学与医学工程学院） 纠错

专题命中 医学影像 ：diagnosis(abstract)；分类 cs.CV

AI总结 针对超声心动图分割中因噪声等导致的问题，设计STLSF模块并结合频率感知去噪预训练方法，构建卷积网络，有效缓解纹理不稳定和语义模糊问题，在相关数据集上取得优异分割性能。

An Edge-aware Prompt-enhanced SAM for Ultrasound Image Segmentation

用于超声图像分割的边缘感知提示增强型 SAM

Wenhao Li, Fangyi Liu, Bo Du

机构 * Key Laboratory of Aerospace Information Security and Trusted Computing, Ministry of Education, School of Cyber Science and Engineering, Wuhan University（航空信息安全与可信计算重点实验室，教育部，武汉大学计算机科学与工程学院） ； National Engineering Research Center for Multimedia Software, Institute of Artificial Intelligence, School of Computer Science and Hubei Key Laboratory of Multimedia and Network Communication Engineering, Wuhan University（多媒體軟體國家工程研究中心，人工智能研究院，武漢大學計算機科學學院，湖北省多媒體與網絡通信工程重點實驗室） 纠错

专题命中 医学影像 ：diagnosis(abstract)；分类 cs.CV

AI总结 针对超声图像分割中 SAM 边界描绘不佳问题，提出 EP-SAM，通过图像编码器多块特征提取和边缘感知监督，生成高质量提示引导模型，在多个基准测试中表现优于现有基于 SAM 的方法。

Comments Accepted to ICME2026

TRACE-Seg3D: Counterfactual Context Auditing For Robust 3D Glioma Segmentation Under Institutional Shift

TRACE-Seg3D：机构转移下用于稳健3D胶质瘤分割的反事实上下文审计

Nguyen Linh Dan Le, Nguyen Pham Hoang Le, Tran Dang Khoi

机构 * The University of Melbourne（墨尔本大学） ； University of Information Technology, Vietnam National University（越南国立大学信息技术大学） ； Industrial University of Ho Chi Minh City（胡志明市工业大学） 纠错

专题命中 医学影像 ：medical image(abstract)；分类 cs.CV

AI总结 研究针对医学图像分割模型对机构差异敏感问题，提出TRACE-Seg3D反事实上下文审计框架，通过保留病变证据、改变成像上下文评估预测稳定性，在胶质瘤分割基准实验中表现出色，揭示传统指标遗漏的问题，推动可靠3D医学图像分割。

Comments 16 pages, 5 figures

Seeing What Matters: Lesion-Aware High-Resolution Patch Discovery and Fusion for Chest X-ray Report Generation

看清关键所在：用于胸部X光报告生成的病灶感知高分辨率补丁发现与融合

Yingshu Li, Yunyi Liu, Zhenghao Chen, Tong Chen, Zailong Chen, Lingqiao Liu, Lei Wang, Luping Zhou

机构 * The University of Sydney（悉尼大学） ； The University of Newcastle（纽卡斯尔大学） ； University of Wollongong（卧龙岗大学） ； The University of Adelaide（阿德莱德大学） 纠错

专题命中 医学影像 ：radiology(abstract)；分类 cs.CV

AI总结 研究针对胸部X光报告生成中高分辨率感知难题，提出LePaX框架。该框架将高分辨率感知设为固定令牌预算下的空间分辨率分配问题，通过可学习空间分辨率分配和全局-区域融合两个组件，在不增令牌数时实现高分辨率CXR感知，提升了临床和语言指标。

HTC-SGA Former: A Hybrid Transformer-CNN Network with Self-Guided Attention and a New Boundary-Weighted Adaptive Loss for Coronary DSA Vessel Segmentation

HTC-SGA Former: 一种结合自引导注意力与新型边界加权自适应损失的混合Transformer-CNN网络用于冠状动脉DSA血管分割

Rayan Merghani Ahmed, Marwa Omer Mohammed Omer, Mohamed Elmanna, Shijie Li, Bin Li, Shoujun Zhou

机构 * Shenzhen Institutes of Advanced Technology (SIAT)（深圳先进技术研究院） ； University of Chinese Academy of Sciences (UCAS)（中国科学院大学） ； Department of Biomedical Engineering and Systems, Faculty of Engineering（工程学院生物医学工程与系统系） ； Cairo University（开罗大学） 纠错

专题命中 医学影像 ：diagnosis(abstract)；分类 cs.CV

AI总结 提出HTC-SGA Former混合网络，通过CNN编码器提取局部血管形态、Transformer解码器建模上下文、MS-GLWA模块实现全局-局部注意力、SGFA模块增强弱血管响应及BWACL损失函数优化边界，在0.81M参数下超越14种方法，提升细血管恢复与连续性。

Comments 20 pages, 10 figures, 3 tables. Submitted for journal review